基于混合信息的運動目標檢測優化研究

徐武，郭興，文聰，唐文權，孔玲玲

云南民族大學 電氣信息工程學院，云南 昆明 650500

近些年，運動目標檢測被廣泛用于視頻檢測及工業檢測等方面。運動目標檢測主要功能是快速、準確地將視頻中的運動目標提取出來[1]。

部分學者提出，利用顏色圖像信息或者是深度圖像信息進行目標檢測[2]。文獻[3]利用深度圖像信息進行目標檢測，再利用“與運算”進行特征信息融合，改善了目標與背景模型距離較近的問題，但是沒有考慮到光照突變對實驗本身的影響。文獻[4]采用顏色信息進行前景目標的檢測，但是當背景模型是復雜多變的情況時，該種方法難以解決問題。文獻[5]分別利用彩色圖像特征與深度圖像特征進行目標檢測，通過邏輯運算將特征信息進行融合處理，但當邊緣存在噪聲點時，檢測效果明顯降低，且存在漏檢現象[6]。

針對以上存在的問題，本文在RGB色彩空間模型的基礎上，采用SOFM模型改善色彩空間顏色的真實性；再根據像素值的邊緣特性以及上一幀圖像的檢測信息，為分類器分配合適的權重值，解決彩色視頻檢測存在的問題。

1 顏色空間建模

由于大部分視頻都為彩色視頻，因此視頻圖像的特征信息可以作為運動目標檢測判斷依據[7]。不同彩色圖像對應不同的顏色特征信息，導致顏色空間的選擇成為影響前景檢測性能的重要因素。

本文采用SOFM模型空間模型完成運動目標檢測，如圖1所示。

圖1 目標檢測流程

SOFM模型通過已有背景模型進行訓練，像素值認為是樣本，對前景模型目標進行判斷[8]。若視頻任意位置Y處的顏色值記為S，公式如下：

式中：α表示背景模型；β表示移動對象；θ表示約束參數。式(1)表示S與Y的概率關系，式(2)則是對相關參數進行定義。

此背景模型主要利用混合概率表示每一類像素對應的特征信息，完成任何顏色前景背景模型的創建，構建模型如式(3)及式(4)所示：

式中：L表示顏色總空間；g(L)表示L的三維卷積。從式(4)中可以看出，由于每一個神經元對應一組輸入數據集，并且任意位置點的背景像素值與場景特征有關聯。因此，利用概率自組織映射模型可以解決任意像素的背景顏色分布[9]：

式中M代表SOFM模型的神經元個數。

假設神經元分布在一個矩陣空間里，則任何兩個神經元K、G的歐氏距離記為

式中：l(K,G)代表神經元K、G之間的拓撲距離；TK、TG表示K、G在矩形空間里所處位置信息。

為減小算法的冗余度，可以把映射中的神經元作為一個高斯概率密度分布模型[10]，如式(5)所示：

式中：σ2代表方差；σ1表示σ的上邊界；σ2表示σ的下邊界。式(6)的約束條件能夠保證SOFM模型準確地描述輸入像素的分布。

2 基于混合信息的運動目標檢測

2.1 距離圖像與彩色圖像的配準

當獲取視頻場景的視頻序列以后，得到視頻序列的內外部參數，再對視頻序列的距離圖像信息和彩色圖像信息進行融合配準處理，最終距離圖像獲取的分辨率與彩色圖像獲取的分辨率一致[11]。

2.2 運動目標檢測

本文優化算法的流程圖，如圖2所示。

圖2 基于混合信息的優化流程

在RGB色彩空間處理基礎上，首先利用經配準融合處理的距離圖像和彩圖圖像，構建像素級分類器CLC和CLD；其次，輸入圖像的像素c，將深度圖像信息CA送至CLD分類器進行處理，顏色圖像信息CB送至CLC分類器進行處理，二者輸出的結果形成一個新的矩陣QC[3]，如式(7)所示：

式中：q(wnc)|CA、q(wmc)|CA表示CLD分類器得到的像素c是背景模型q(wnc)、q(wmc) 的概率值；q(wnc)|CB、q(wmc)|CB表示CLC分類器得到的像素c是背景模型q(wnc)、q(wmc)的概率值[12]。由于圖像每個區域間存在差異，因此，各個區域的顏色信息和深度信息對檢測結果有著不同程度的影響[4]。故需要對分類器的輸出值設定權重值Wj(j∈{A,B})。此時，像素c的概率值為q(wj|c)，見式(8)：

式中：q(wj|c)表示分類器像素c處的概率值；q(wj|cA)表示距離圖像A對應的概率值；q(wj|cB)表示彩色圖像B對應的概率值；wA、wB代表權重值。wA+wB=1，像素c屬于較大q(wj|c)與之對應的wj類。

2.3 權重選取方案

配準融合處理的距離圖像存在如下問題：1)由于視頻中的場景信息不相同，導致配準融合處理過后的距離圖像，出現信息缺失[13]；2)由于圖像自身存在較大的邊緣噪聲，進而導致邊緣的信息誤差值大[14]。針對以上存在的問題，結合顏色信息和深度信息對區域的差異影響，故選擇一種權重值選取方案，操作流程如下所示：

1)對第g幀的像素c進行深度信息判斷[15]，當像素c獲得深度信息時，執行步驟2)；否則，采用顏色圖像信息對運動目標進行檢測，公式為

式中：wA(c,g)表示g時刻像素c獲取的CLD分類器的圖像信息值；wB(c,g)表示g時刻像素c獲取的CLC分類器的圖像信息值。此時，像素c未獲取到深度信息。

2)選擇Prewitt算子對像素c進行邊緣區塊檢測處理，當像素c的梯度值F(s)大于閾值H時，則認為是邊緣區域，跳轉3)；當像素c的梯度值F(s)小于閾值H時，則判定為中間區域；當像素c被判定為邊緣區域時，跳轉執行步驟4)；

3)當深度信息受邊緣噪聲較大影響時，需要對權重值進行調整，以此減小邊緣噪聲影響，權重調整公式為

4)當運動目標逐漸向背景模型移動時，會導致CLD分類器出現漏檢現象。故本文加入了視頻上一幀的檢測結果L(c，g-1)對權重值重新進行分配。

①當L(c，g-1)被判定為背景模型時，按照式(12)進行權重值選擇：

②當L(c，g-1)被判定為運動目標時，則需要對第g-1幀的像素c存在的深度圖像信息與CLD分類器的距離關系進行計算，公式為

式中：κ代表深度圖像信息與CLD分類器的距離關系。若 κ(c,g?1)的值越大，代表像素c運動目標與背景模型的距離值越大；反之，若 κ(c,g?1)的值越小，代表像素c運動目標與背景模型的距離值越小。為防止運動目標靠近背景模型時出現漏檢情況，需對wA的 值進行動態調整[15]，即：wA伴 隨 κ的增大而增大。本文利用廣義邏輯函數對權重wA的值進行分配，權重wA的分配公式為

式中：B為常量，通常取值為0.5；Yc為樣本值。

2.4 分類器設定

文章利用CLC分類器、CLD分類器，得到每一種分類器像素c的概率值q(wj|c)。假定運動目標概率值和背景模型概率值相同，依據貝葉斯公式[16]，可將式(8)重新定義為

式 中，q(cA|wnc)、q(cA|wmc)表 示CLD分 類器 得到 的像 素c為 背 景 模 型R(wnc) 的 后 驗 概 率 值；q(cB|wnc)、q(cB|wmc)表示CLC分類器得到的像素c為背景模型R(wmc)的后驗概率值。

3 實驗仿真的對比分析

本文實驗采用TOF相機進行視頻采集，分辨率為1 800×1 080。為驗證本文改進算法的有效性，本文對運動目標與背景模型顏色類似、背景模型運動和光照突變3種不同類型的室內視頻幀序列進行仿真。本文所有實驗均采用MATLAB 2018b軟件進行仿真分析。

3.1 實驗參數的設定

本文算法受到諸多參數的限制影響，這些參數的設定值將會對算法產生影響，為保證算法在整體上獲得良好性能優勢，在結合大量實驗數據的基礎上對表1的參數值進行設定。

表1 算法參數的設定

3.2 運動目標與背景模型顏色類似

當運動目標與背景模型顏色相同時，序列1背景模型見圖3(a)所示，圖3(b)選擇的盒子顏色與背景模型顏色相同。為保證實驗結果的準確性，只保留圖3(b)中的盒子部分，如圖3(c)所示。在圖4(a)中，采用CLC分類器進行目標檢測，從圖中明顯看出，檢測結果存在嚴重缺失；在圖4(b)中，利用CLD分類器融合特征信息進行目標檢測，檢測的目標基本完整，但由于噪聲點的影響，導致檢測出的目標邊緣不清晰；圖4(c)采用本文改進算法進行目標檢測，該算法檢測效果最佳。與圖4(d)手工檢測結果對比，兩者檢測結果相近。

圖3 序列1第342幀圖像

圖4 序列1檢測結果

3.3 背景模型運動

若背景模型快速移動時，序列2的背景模型如圖5(a)所示，在圖5(b)中，第165幀圖像背景模型開始運動，圖5(c)為第342幀信息融合后的距離圖像。圖6(a)是采用CLC分類器對背景模型進行更新，此時，檢測圖中出現“鬼影”；圖6(b)是采用CLD分類器依據本文提出的背景更新策略，對背景中移動物體進行判斷，且有效克制了“鬼影”現象，但由于噪聲點的影響，導致檢測出的目標邊緣不清晰；圖6(c)采用改進算法進行目標檢測，本文改進算法可以對運動的背景模型進行快速、準確判斷，且有效消除了“鬼影”區域，檢測效果最佳，與圖6(d)手工檢測結果基本相同。

圖5 序列2第165幀圖像

圖6 序列2檢測結果

3.4 光照突變

序列3為光照突變的視頻序列，第769幀時光照突變。為保證實驗結果的準確性，仍然對檢測目標進行截取處理；為確保實驗檢測結果的一般性，在進行圖像截取時，截取部分未進行特征信息融合處理。在圖7的檢測結果圖中，圖7(a)采用CLC分類器不能適應光照快速突變；圖7(b)利用CLD分類器融合特征信息進行目標檢測，檢測的目標基本完整，但由于噪聲點的影響，導致檢測出的目標邊緣不清晰；圖7(c)采取的本文算法雖無法獲取距離圖像的完整信息，但受到光照突變的影響較小，與圖7(d)的手工檢測結果相對比，存在些許差異，但從整體來講，本文算法可以有效抑制“鬼影”以及光照突變的情況。

圖7 序列3第769幀檢測結果

3.5 實驗結果的定量分析

為了更加準確地對3種算法進行評估分析，選定多個評價指標對其進行評估，評估參數主要包括召回率(Re)、精度(Pr)、F數，其中，召回率、F數、精度的值越大，說明算法的性能越好；計算公式為

式中：TP表示被成功檢測為運動目標時的像素值；TN表示被成功檢測為背景模型時的像素值；FN表示被錯判為背景模型時的像素值；FP表示被錯判為運動目標時的像素值；F數表示對Pr和Re兩項指標進行綜合評價，F數可以更加全面地對算法的性能進行綜合評估。表2為幾種算法的評估對比。

從表2數據可以看出，采用本文算法所得到的精度、召回率以及F數均為最優，驗證了本文改進算法的可行性。

表2 3種算法的綜合評估指標

4 結論

1)采用SOFM模型有效改善了色彩空間模型的真實性；

2)在SOFM模型基礎上，利用CLC和CLD分類器進行檢測，有效避免了光照突變、背景模型顏色相似、背景模型運動等問題；

3)通過對召回率、精度、F數的綜合考評分析。本文采用算法的評價指標均為最優，進而驗證了本文算法的可行性。